دانلود ترجمه مقاله افزایش تشخیص تقلب برای روایت ها در گزارش های سالانه

عنوان فارسی :

افزایش تشخیص تقلب برای روایت ها در گزارش های سالانه

عنوان انگلیسی :

Enhancement of fraud detection for narratives in annual reports

کلمات کلیدی :

  روایات؛ گزارش های سالانه؛ تشخیص تقلب؛ پردازش زبان طبیعی (NLP)؛ الگوریتم ژنتیک ملکه (QGA)؛ ماشین بردار پشتیبانی (SVM)

درسهای مرتبط : سیستم های اطلاعاتی حسابداری
تعداد صفحات مقاله انگلیسی : 14 نشریه : ELSEVIER
سال انتشار : 2017 تعداد رفرنس مقاله : 38
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
شبیه سازی مقاله : انجام نشده است. وضعیت ترجمه مقاله : انجام نشده است.
فهرست مطالب

1. مقدمه 2. طراحی فرآیند شناسایی تقلب برای روایت ها در گزارش های سالانه 3. توسعه تکنیک های شناسایی تقلب برای روایت ها در گزارش های سالانه 4. ارائه و ارزیابی روش تشخیص تقلب پیشنهادی برای روایات در گزارش های سالیانه 5. نتیجه گیری

نمونه متن انگلیسی مقاله

Annual reports present the activities of a listed company in terms of its operational performance, financial conditions, and social responsibilities. These reports are a valuable reference for numerous investors, creditors, and other accounting information end users. However, many annual reports exaggerate enterprise activities to raise investors' capital and support from financial institutions, thereby diminishing the usefulness of such reports. Effectively detecting fraud in the annual report of a company is thus a priority concern during an audit. Therefore, this work integrates natural language processing (NLP), queen genetic algorithm (QGA) and support vector machine (SVM) to develop a fraud detection method for narratives in annual reports, such as reports to shareholders, and thereby enhance the fraud detection accuracy and reduce investors' investment risks. To achieve the above-mentioned objective, a process of fraud detection for narratives in annual reports is first designed. Techniques related to fraud detection for the narratives in annual reports are then developed. Finally, the proposed fraud detection method is demonstrated and evaluated.

ترجمه نمونه متن انگلیسی

چکیده – گزارش های سالانه، فعالیت های یک شرکت ثبت شده را با توجه به عملکرد عملیاتی، شرایط مالی و مسئولیت های اجتماعی ارائه می دهد. این گزارش ها یک مرجع ارزشمند برای سرمایه گذاران متعدد، اعتباردهندگان و سایر کاربران نهایی حسابداری است. با این حال، بسیاری از گزارش های سالانه فعالیت های شرکتی را بهبود می بخشند تا سرمایه سرمایه گذاران و حمایت مالی موسسات مالی را افزایش دهند، در نتیجه سودمندی چنین گزارش هایی را کاهش می دهد. بنابراين، تشخيص کارامد تقلب در گزارشات سالانه يک شرکت، در حين مميزي، یک نگراني دارای اولويت است. بنابراین، این کار پردازش زبان طبیعی (NLP)، الگوریتم ژنتیک ملکه (QGA) و ماشین بردار پشتیبانی (SVM) را برای توسعه یک روش تشخیص تقلب برای روایات در گزارش های سالیانه، مانند گزارش به سهامداران ادغام نموده و همچنین دقت تشخیص تقلب را افزایش و ریسک سرمایه گذاری سرمایه گذاران را کاهش می دهد. برای رسیدن به هدف فوق، ابتدا فرایند شناسایی تقلب برای روایت ها در گزارش سالیانه طراحی شده است. سپس تکنیک های مربوط به تشخیص تقلب برای روایت ها در گزارش های سالانه توسعه یافته است. در نهایت، روش تشخیص تقلب پیشنهادی نشان داده شده و ارزیابی شده است.

توضیحات و مشاهده مقاله انگلیسی

سفارش ترجمه تخصصی این مقاله

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود ترجمه مقاله افزایش تشخیص تقلب برای روایت ها در گزارش های سالانه”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

16 + هشت =

مقالات ترجمه شده

آموزش برنامه نویسی

مجوز نماد اعتماد الکترونیکی

پشتیبانی ترجمه و شبیه سازی مقاله

تماس با پشتیبانی

قیمت ترجمه و شبیه سازی مقاله

با توجه به تجربه ی ما در امر شبیه سازی مقالات با نرم افزارهای متلب، پی اس کد، گمز و سایر نرم افزارهای علمی و همچنین تجربه ی چندین ساله در امر ترجمه  مقالات، تصمیم گرفتیم در این دو زمینه کمکی هر چند ناقابل برای دانشجویان به ارمغان آوریم. همه ی مقالات در سایت قرار داده شده که برخی از آنها ترجمه و شبیه سازی آماده دارند که قیمتی بین 20 تا 30 هزار تومان به فروش می رسند. برخی از مقالات نیز که ترجمه و شبیه سازی ندارند، می توانید سفارش دهید تا همکاران ما در اسرع وقت اقدام به تهیه آن کرده و در موعد مقرر تحویل شما دهند.